NoiTox: A Machine Learning Strategy for Peptide Toxicity Prediction Reveals Label Noise in Benchmark Datasets

의학의 세계에서 자연은 오랫동안 펩타이드라고 불리는 강력한 분자라는 도구 상자를 제공해 왔습니다. 펩타이드는 단백질의 구성 성분인 아미노산의 짧은 사슬로, 생명체 내에서 정밀한 전령이자 방어자 역할을 합니다. 이들은 특정 세포를 매우 정확하게 표적으로 삼도록 설계될 수 있기 때문에, 과학자들은 암, 감염 및 호르몬 질환과 싸우기 위한 새로운 약물로 이들을 전환하기를 열망하고 있습니다. 그러나 중대한 장애물이 존재합니다. 펩타이드를 질병에 효과적이게 만드는 바로 그 특징이 환자에게는 위험할 수도 있다는 점입니다. 펩타이드 서열의 아주 작은 변화만으로도 생명을 구하는 약물이 적혈구를 파괴하거나 건강한 조직을 독성으로부터 해치는 물질으로 변할 수 있습니다. 모든 잠재적 약물 후보를 실험실에서 테스트하는 것은 느리고 비용이 많이 들며, 종종 규모를 키우는 것이 불가능하기 때문에, 연구자들은 실제 세포에 접촉하기 전에 어떤 서열이 안전하고 어떤 것이 독성이 있는지를 예측하기 위해 컴퓨터 프로그램을 활용합니다.

연구팀은 이 예측 문제를 해결하기 위해 NoiTox라는 새로운 컴퓨터 전략을 개발했지만, 이들의 작업은 이러한 프로그램들을 훈련시키는 데 사용된 데이터 자체에 존재하는 놀라운 결함을 드러냈습니다. 하나의 복잡한 인공지능 모델이 '블랙박스'처럼 작동하는 방식에 의존하는 대신, 팀은 세 가지 다른 유형의 학습 방법을 결합한 시스템을 구축했습니다. 한 가지 방법은 무게나 전기적 전하와 같은 펩타이드의 화학적 특성을 살펴봅니다. 다른 방법은 아미료산의 서열을 마치 언어처럼 읽어 들여 수백만 개의 천연 단백질로부터 패턴을 학습합니다. 세 번째 방법은 펩타이드를 연결된 점들의 네트워크로 취급하여, 체인의 서로 다른 부분들이 어떻게 상호작용하는지를 분석합니다. 이 세 가지 접근 방식을 함께 실행함으로써, 시스템은 높은 정확도로 독성을 예측할 수 있을 뿐만 아니라 어떤 화학적 특징이 그 결정을 이끌어내는지 설명할 수 있습니다. 이러한 투명성은 매우 중요한데, 이는 과학자들이 단순히 컴퓨터의 추측을 받아들이는 것이 아니라, 왜 특정 펩타이드가 위험할 수 있는지 이해할 수 있게 해주기 때문입니다.

연구진은 표준적인 펩타이드 데이터 세트를 사용하여 그들의 새로운 시스템을 기존 도구들과 테스트했습니다. 그들은 자신들의 결합된 접근 방식이 통제된 테스트에서 기존의 최고 방법들과 대등한 성능을 보였다는 것을 발견했습니다. 더 중요한 것은, 다른 도구들이 한 번도 본 적 없는 완전히 독립적인 데이터 세트로 테스트했을 때, 그들의 시스템이 경쟁 모델들을 능가했다는 점입니다. 결과는 오직 화학적 기술에만 의존하는 더 단순한 방법이 놀라울 정도로 강력하고 신뢰도가 높다는 것을 보여주었습니다. 이는 펩타이드의 기본적인 물리적, 화학적 구성을 이해하는 것이 거대하고 복잡한 딥러닝 모델의 막대한 계산 능력 없이도 안전성을 예측하는 데 충분할 수 있음을 시사합니다.

그러나 이 연구의 가장 중요한 발견은 컴퓨터가 얼마나 잘 예측했느냐가 아니라, 그것이 범한 오류에 관한 것이었습니다. 연구진이 시스템이 지속적으로 틀리는 펩타이드들을 조사했을 때, 그들은 데이터 자체의 문제를 가리키는 일정한 패턴을 발견했습니다. 그들은 훈련 데이터에 있는 '안전한' 펩타이드들을 알려진 독성 물질의 전문 데이터베이스와 교차 검증했습니다. 그 결과, 안전하다고 표시된 펩타이드 중 적지만 일관되게 일부가 다른 과학적 기록에서는 실제로 독성이 있는 것으로 밝혀졌다는 사실을 발견했습니다. 이는 모델을 훈련시키는 데 사용된 부정적(negative) 데이터가 결함이 있음을 시사합니다. 즉, '안전함'이라는 라벨이 해당 펩타이드가 안전하다고 증명되었기 때문이 아니라, 단지 아무도 그 펩타이드의 독성을 명시적으로 테스트하지 않았기 때문에 부여된 경우가 많았습니다. 이는 '누락에 의한 라벨 노이즈(label noise by omission)'라고 불리는 미묘하지만 결정적인 형태의 오류입니다.

팀은 이러한 잘못 표기된 펩타이드들을 제거하면 문제가 해결될지 조사했습니다. 그들은 데이터를 정화하면 모델의 정확도가 높아질 것이라고 예상했습니다. 하지만 예상과 달리, 이들을 제거하는 것이 오히려 모델의 성능을 저하시킨다는 것을 발견했습니다. 이 반직관적인 결과는 이 '잘못 표기된' 펩타이드들이 가치 있는 정보를 담고 있음을 나타냅니다. 이들은 단순한 무작위 오류가 아닙니다. 이들은 펩타이드의 화학적 특성이 모호하여 안전과 독성의 경계에 놓여 있는 회색 지대를 나타냅니다. 이들을 버림으로써 모델은 그 경계의 미묘한 차이를 배울 능력을 상실하게 된 것입니다. 연구진은 이러한 서열들을 버릴 것이 아니라, 대신 추가적인 인간의 검토와 큐레이션을 위해 플래그를 지정해야 한다고 결론지었습니다.

이 연구는 또한 인공지능에서 해석 가능성의 중요성을 강조했습니다. 연구팀은 특정 화학적 특징을 식별할 수 있는 방법을 사용했기 때문에, 무엇이 펩타이드를 독성 있게 만드는지 정확히 짚어낼 수 있었습니다. 그들은 황을 함유한 특정 아미노산, 특히 시스테인의 존재가 독성의 강력한 지표라는 것을 발견했습니다. 시스테인은 화학적으로 반응성이 높으며 세포막을 파괴하는 결합을 형성할 수 있는데, 이는 독성과 흔히 연관되는 메커니즘입니다. 반면, 메티오닌과 같은 다른 황 함유 아미노산이나 발린, 류신과 같은 특정 소수성 구성 요소들은 안전한 펩타이드에서 더 흔하게 발견되었습니다. 이러한 수준의 세부 정보는 약물 설계자들에게 명확한 가이드를 제공합니다. 만약 펩타이드 서열이 반응성이 높은 시스테인이 풍부하다면 위험할 가능성이 높고, 안정적이고 비반응적인 성분들이 균형을 이루고 있다면 안전함을 시사한다는 것입니다.

궁극적으로, 이 작업은 펩타이드 신약 개발의 미래가 단순히 더 똑똑한 컴퓨터를 만드는 것뿐만 아니라, 그들이 학습하는 데이터를 정화하는 데 달려 있음을 보여줍니다. 연구진은 다양한 유형의 머신러닝을 결합하고 훈련 데이터의 품질에 세심한 주의를 기울이는 다각적인 접근 방식이 최선의 결과를 낳는다는 것을 보여주었습니다. 그들의 발견은 이 분야가 안전성에 대해 약간 왜곡된 시각을 가지고 운영되어 왔음을 시사하며, 즉 독성 경고의 부재를 안전의 증거로 오해해 왔다는 것입니다. 이러한 관점을 바로잡고 위험의 구체적인 화학적 신호를 이해함으로써, 과학자들은 더 나은, 더 안전한 치료용 펩타이드를 설계할 수 있습니다. 이 연구는 독성 예측 문제를 완전히 해결했다고 주장하는 것이 아니라, 현재의 도구들이 어디에서 성공하고 어디에서 데이터 자체의 개선이 필요한지에 대한 더 명확한 지도를 제공함으로써, 차세대 생명 구호 의약품 개발을 위한 더 신뢰할 수 있는 경로를 제시하고 있습니다.